基于KPCA的疲勞駕駛狀態(tài)識別方法的研究
發(fā)布時間：2021-03-21 03:31
駕駛員的疲勞駕駛行為對交通事故的發(fā)生已經造成了嚴重的影響。本文研究分析駕駛員正常狀態(tài)和疲勞狀態(tài)下的腦電信號（Electroencephalograph,EEG）。針對疲勞駕駛狀態(tài)識別研究中采集的EEG數(shù)據(jù)具有非線性這一特點,這使得目前EEG數(shù)據(jù)基于熵特征進行疲勞駕駛狀態(tài)識別研究時依然存在分類準確率不理想的問題,本文建立了一個在EEG熵特征的基礎上結合核主成分分析（Kernel principal component analysis,KPCA）構建疲勞駕駛狀態(tài)識別的模型,提出了相應的算法;又針對疲勞駕駛狀態(tài)識別的時間性能問題,本文在所使用的算法基礎上又加入了t檢驗進行進一步的研究,提出了不同熵特征以及t檢驗結合KPCA（ENTROPYTKPCA）的算法,并且在30個導聯(lián)數(shù)據(jù)上進行研究都達到了理想的效果。主要研究內容和創(chuàng)新點如下:（1）針對現(xiàn)有的疲勞駕駛腦電信號的熵特征提取方法對疲勞駕駛狀態(tài)識別測試的準確率不是很理想這一問題。本文先是研究了不同熵結合主成分分析（Principal Component Analysis,PCA）對EEG數(shù)據(jù)進行重...
【文章來源】：南昌大學江西省 211工程院校
【文章頁數(shù)】：66 頁
【學位級別】：碩士
【部分圖文】：
模型構建過程
第 4章 測試與結果分析第 4 章 測試與結果分析4.1 實驗環(huán)境及實驗數(shù)據(jù)4.1.1 實驗軟硬件平臺本文的實驗是在 Windows 10 操作系統(tǒng)，以 MATLAB R2014b 軟件為平臺的基礎下完成的。本實驗數(shù)據(jù)收集設備為一套靜態(tài)的模擬駕駛器(北京中育聯(lián)合教學設備有限公司，ZY-31D 車輛駕駛模擬器)如圖 4.1 所示，包括 3 塊 24 英寸的顯示器及一套駕駛模擬的軟件教學系統(tǒng)(ZG-601 V9.2)，被試者使用 32 電極的腦電采集帽，數(shù)據(jù)預處理軟件使用 Neuroscan 4.5。
選擇 數(shù)據(jù)為 1000Hz 采樣率下的 32 導聯(lián) 600 秒的時個電極，本文主要針對這 30個電極進行實驗兩組實驗，因為本次實驗個體為 25 個，隨機 個人作為另一組，取不同數(shù)量的樣本數(shù)也是為驗結果的影響，但限于數(shù)據(jù)有限，所以只分人的部分數(shù)據(jù)，每個人 60 秒（靜息狀態(tài)下前成一個 600×30 的數(shù)據(jù)矩陣，如圖 4.2 所示；的部分數(shù)據(jù)，每個人 60 秒（靜息狀態(tài)下前 3一個 900×30 的數(shù)據(jù)矩陣，如圖 4.3 所示。目實驗的運算時間，以及 30 秒并不算很少的數(shù)據(jù)況進行了測試，但是在后續(xù)的實驗中我們會增）來進行測試。
【參考文獻】：
期刊論文
[1]汽車疲勞駕駛客觀監(jiān)測方法分析[J]. 楊云皓. 科學咨詢(教育科研). 2018(11)
[2]結合非線性全局特征和譜特征的腦電情感識別[J]. 孫穎,馬江河,張雪英. 計算機工程與應用. 2018(17)
[3]基于腦電信號的疲勞駕駛狀態(tài)研究[J]. 陳驥馳,王宏,王翹秀,化成城,劉沖. 汽車工程. 2018(05)
[4]一種基于駕駛員生理信號的非接觸式駕駛疲勞檢測技術[J]. 王琳,張陳,尹曉偉,付榮榮,王宏. 汽車工程. 2018(03)
[5]基于PCA多導聯(lián)的癲癇腦電信號分類及致癇灶定位研究[J]. 李冬梅,爾西丁·買買提,楊日東,陳子怡,田翔華,董楠,張洋,周毅. 生物醫(yī)學工程研究. 2017(03)
[6]駕駛疲勞的理論分類及影響因素[J]. 李曉峰,馬錦飛. 決策探索(下半月). 2017(08)
[7]基于級聯(lián)卷積神經網(wǎng)絡的疲勞檢測[J]. 趙雪鵬,孟春寧,馮明奎,常勝江. 光電子·激光. 2017(05)
[8]小波包特征能量算子與多核函數(shù)組合KPCA的聲目標識別[J]. 曾番,黃文龍,夏偉鵬,馮卉. 電光與控制. 2017(04)
[9]抑郁癥靜息腦電的小波包節(jié)點功率譜熵分析[J]. 蓋淑萍,劉欣陽,劉軍濤,孔壯,徐聲偉,蔡新霞. 傳感器與微系統(tǒng). 2017(03)
[10]基于眼部特征的疲勞駕駛辨識方法研究[J]. 劉志強,宋雪松,汪彭,周桂良. 重慶理工大學學報(自然科學). 2016(10)
博士論文
[1]抑郁癥靜息態(tài)功能腦網(wǎng)絡異常拓撲屬性分析及分類研究[D]. 郭浩.太原理工大學 2013
碩士論文
[1]基于經驗模態(tài)分解的多尺度熵在疲勞駕駛前額腦電特征抽取方法上的研究[D]. 劉超.南昌大學 2018
[2]基于運動想象EEG信號的特征提取研究[D]. 林文通.南京郵電大學 2017
[3]基于心電信號的駕駛疲勞識別方法研究[D]. 牛琳博.西南交通大學 2017
[4]基于人臉特征的駕駛員疲勞檢測算法與實現(xiàn)[D]. 黃斌.南京航空航天大學 2017
[5]基于腦電信號疲勞狀態(tài)分析及其采集分析系統(tǒng)設計[D]. 郭翠娜.燕山大學 2016
[6]腦信號的熵分析方法研究[D]. 郭迪.南京郵電大學 2016
[7]運動想象腦電信號特征提取與分類研究[D]. 丁曉慧.杭州電子科技大學 2016
[8]基于眼動與脈搏信息融合的駕駛疲勞識別算法研究[D]. 李發(fā)權.山東大學 2015
[9]基于EEG信號的腦力疲勞檢測方法的研究[D]. 潘屏萍.廣西大學 2014
[10]駕駛疲勞腦電信號的非線性動力學分析[D]. 劉苗苗.陜西師范大學 2011
本文編號：3092235
【文章來源】：南昌大學江西省 211工程院校
【文章頁數(shù)】：66 頁
【學位級別】：碩士
【部分圖文】：
模型構建過程
第 4章 測試與結果分析第 4 章 測試與結果分析4.1 實驗環(huán)境及實驗數(shù)據(jù)4.1.1 實驗軟硬件平臺本文的實驗是在 Windows 10 操作系統(tǒng)，以 MATLAB R2014b 軟件為平臺的基礎下完成的。本實驗數(shù)據(jù)收集設備為一套靜態(tài)的模擬駕駛器(北京中育聯(lián)合教學設備有限公司，ZY-31D 車輛駕駛模擬器)如圖 4.1 所示，包括 3 塊 24 英寸的顯示器及一套駕駛模擬的軟件教學系統(tǒng)(ZG-601 V9.2)，被試者使用 32 電極的腦電采集帽，數(shù)據(jù)預處理軟件使用 Neuroscan 4.5。
選擇 數(shù)據(jù)為 1000Hz 采樣率下的 32 導聯(lián) 600 秒的時個電極，本文主要針對這 30個電極進行實驗兩組實驗，因為本次實驗個體為 25 個，隨機 個人作為另一組，取不同數(shù)量的樣本數(shù)也是為驗結果的影響，但限于數(shù)據(jù)有限，所以只分人的部分數(shù)據(jù)，每個人 60 秒（靜息狀態(tài)下前成一個 600×30 的數(shù)據(jù)矩陣，如圖 4.2 所示；的部分數(shù)據(jù)，每個人 60 秒（靜息狀態(tài)下前 3一個 900×30 的數(shù)據(jù)矩陣，如圖 4.3 所示。目實驗的運算時間，以及 30 秒并不算很少的數(shù)據(jù)況進行了測試，但是在后續(xù)的實驗中我們會增）來進行測試。
【參考文獻】：
期刊論文
[1]汽車疲勞駕駛客觀監(jiān)測方法分析[J]. 楊云皓. 科學咨詢(教育科研). 2018(11)
[2]結合非線性全局特征和譜特征的腦電情感識別[J]. 孫穎,馬江河,張雪英. 計算機工程與應用. 2018(17)
[3]基于腦電信號的疲勞駕駛狀態(tài)研究[J]. 陳驥馳,王宏,王翹秀,化成城,劉沖. 汽車工程. 2018(05)
[4]一種基于駕駛員生理信號的非接觸式駕駛疲勞檢測技術[J]. 王琳,張陳,尹曉偉,付榮榮,王宏. 汽車工程. 2018(03)
[5]基于PCA多導聯(lián)的癲癇腦電信號分類及致癇灶定位研究[J]. 李冬梅,爾西丁·買買提,楊日東,陳子怡,田翔華,董楠,張洋,周毅. 生物醫(yī)學工程研究. 2017(03)
[6]駕駛疲勞的理論分類及影響因素[J]. 李曉峰,馬錦飛. 決策探索(下半月). 2017(08)
[7]基于級聯(lián)卷積神經網(wǎng)絡的疲勞檢測[J]. 趙雪鵬,孟春寧,馮明奎,常勝江. 光電子·激光. 2017(05)
[8]小波包特征能量算子與多核函數(shù)組合KPCA的聲目標識別[J]. 曾番,黃文龍,夏偉鵬,馮卉. 電光與控制. 2017(04)
[9]抑郁癥靜息腦電的小波包節(jié)點功率譜熵分析[J]. 蓋淑萍,劉欣陽,劉軍濤,孔壯,徐聲偉,蔡新霞. 傳感器與微系統(tǒng). 2017(03)
[10]基于眼部特征的疲勞駕駛辨識方法研究[J]. 劉志強,宋雪松,汪彭,周桂良. 重慶理工大學學報(自然科學). 2016(10)
博士論文
[1]抑郁癥靜息態(tài)功能腦網(wǎng)絡異常拓撲屬性分析及分類研究[D]. 郭浩.太原理工大學 2013
碩士論文
[1]基于經驗模態(tài)分解的多尺度熵在疲勞駕駛前額腦電特征抽取方法上的研究[D]. 劉超.南昌大學 2018
[2]基于運動想象EEG信號的特征提取研究[D]. 林文通.南京郵電大學 2017
[3]基于心電信號的駕駛疲勞識別方法研究[D]. 牛琳博.西南交通大學 2017
[4]基于人臉特征的駕駛員疲勞檢測算法與實現(xiàn)[D]. 黃斌.南京航空航天大學 2017
[5]基于腦電信號疲勞狀態(tài)分析及其采集分析系統(tǒng)設計[D]. 郭翠娜.燕山大學 2016
[6]腦信號的熵分析方法研究[D]. 郭迪.南京郵電大學 2016
[7]運動想象腦電信號特征提取與分類研究[D]. 丁曉慧.杭州電子科技大學 2016
[8]基于眼動與脈搏信息融合的駕駛疲勞識別算法研究[D]. 李發(fā)權.山東大學 2015
[9]基于EEG信號的腦力疲勞檢測方法的研究[D]. 潘屏萍.廣西大學 2014
[10]駕駛疲勞腦電信號的非線性動力學分析[D]. 劉苗苗.陜西師范大學 2011
本文編號：3092235
本文鏈接：http://sikaile.net/kejilunwen/qiche/3092235.html
最近更新
教材專著
